🤖 machine learning

Blameless Users in a Clean Room: Defining Copyright Protection for Generative Models

यह शोधपत्र जनरेटिव मॉडल्स में कॉपीराइट उल्लंघन को रोकने के लिए 'नियर एक्सेस-फ्रीनेस' (near access-freeness) की पर्याप्तता का खंडन करता है और एक नया "निर्दोष" (blameless) ढांचा प्रस्तावित करता है जो "क्लीन-रूम कॉपीराइट प्रोटेक्शन" पर केंद्रित है, जिसे औपचारिक रूप से यह दिखाया गया है कि जब इसे डिडुप्लिकेटेड डेटासेट्स पर लागू किया जाता है तो यह डिफरेंशियल प्राइवेसी द्वारा गारंटीकृत होता है।

मूल लेखक: Aloni Cohen

प्रकाशित 2026-02-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aloni Cohen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कलाकार हैं जिसे नई कला बनाने के लिए एक जादुई, सुपर-स्मार्ट रोबोट पेंटर का उपयोग करना बहुत पसंद है। आप "एक टोपी पहने हुए बिल्ली" जैसा प्रॉम्प्ट टाइप करते हैं, और रोबोट एक तस्वीर बनाता है। लेकिन आप डरे हुए हैं: क्या होगा अगर रोबोट गलती से एक ऐसी तस्वीर बना दे जो बिल्कुल उस प्रसिद्ध पेंटिंग जैसी दिखे जिसे उसने सीखते समय देखा था, और आप कॉपीराइट उल्लंघन के लिए मुकदमे का सामना करें?

आपका इरादा चोरी करने का नहीं था; आप तो बस एक टोपी पहने बिल्ली चाहते थे। आप एक "निर्दोष" (blameless) उपयोगकर्ता हैं। आप एक गारंटी चाहते हैं: "अगर मैं नियमों का पालन करता हूँ, तो रोबोट गलती से मुझे चोर नहीं बनाएगा।"

यह शोध पत्र, जिसे अलोनी कोहेन (Aloni Cohen) ने लिखा है, उस गारंटी को बनाने के लिए एक ब्लूप्रिंट है। यह तर्क देता है कि AI कंपनियों द्वारा किए गए वर्तमान वादे पर्याप्त मजबूत नहीं हैं, और यह निर्दोष उपयोगकर्ताओं को बचाने के लिए एक नया, गणितीय रूप से सटीक तरीका प्रस्तावित करता है।

यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं और उपमाओं में विभाजित किया गया है।

1. समस्या: "जादुई दर्पण" जो झूठ बोलता है

यह शोध पत्र NAF (Near Access-Freeness) नामक एक पिछले विचार से शुरू होता है।

उपमा: कल्पना कीजिए कि AI कंपनी कहती है, "चिंता न करें! हमारा रोबोट 'Near Access-Free' है। यह एक ऐसे दर्पण की तरह है जो केवल उन चीजों को दर्शाता है जिन्हें रोबोट ने लगभग देखा है, लेकिन उन सटीक चीजों को नहीं जिन्हें उसने याद कर लिया है।"
दोष: लेखक सिद्ध करते हैं कि यह दर्पण टूटा हुआ है। भले ही रोबंब "Near Access-Free" हो, एक चतुर उपयोगकर्ता इसे धोखा दे सकता है। यदि आप रोबोट को किसी पुस्तक के विचार पर आधारित प्रॉम्प्ट देते हैं (जैसे, "एक लड़के की कहानी जो एक इंद्रधनुषी दुनिया में यात्रा पर जाता है"), तो रोबोट डॉ. सीस की Oh, the Places You'll Go! के सटीक शब्द उगल सकता है, भले ही उसे "सुरक्षित" होना चाहिए था।
फैसला: पुराना वादा (NAF) एक "दूषित" (Tainted) मॉडल है। यह एक ऐसे शेफ की तरह है जो दावा करता है कि उसने आपकी गुप्त रेसिपी का उपयोग नहीं किया, लेकिन फिर भी वह आपको बिल्कुल वैसा ही व्यंजन परोसने में सफल रहा क्योंकि उसने सामग्री की सूची को याद कर लिया था।

2. नया समाधान: "क्लीन रूम" (स्वच्छ कक्ष)

लेखक Clean-Room Copyright Protection नामक एक नया मानक प्रस्तावित करते हैं।

उपमा: एक "क्लीन रूम" को माइक्रोचिप बनाने के लिए उपयोग किए जाने वाले एक स्टेरिल प्रयोगशाला की तरह समझें। एक क्लीन रूम में, आपको बाहर की धूल (कॉपीराइट वाली कृतियाँ) लाने से सख्ती से मना किया जाता है।
AI के लिए यह कैसे काम करता है:
1. वास्तविक दुनिया: रोबोट एक विशाल डेटासेट (अव्यवस्थित दुनिया) पर प्रशिक्षित होता है।
2. क्लीन रूम: हम एक काल्पनिक परिदृश्य की कल्पना करते जहाँ रोबोट को एक विशिष्ट कॉपीराइट वाली कृति (मान लीजिए, एक विशिष्ट गाना) तक पहुँच दिए बिना प्रशिक्षित किया गया था।
3. परीक्षण: यदि आप, एक उपयोगकर्ता, उस गाने की प्रति (copy) क्लीन रूम में भी बना सकते थे (जहाँ रोबोट ने उसे कभी नहीं देखा था), तो आप ही "दोषी" हैं। संभवतः वह गाना आपके दिमाग में था और आप बस रोबोट का उपयोग उसे टाइप करने के लिए कर रहे थे।
4. सुरक्षा: यदि आप उस गाने को क्लीन रूम में नहीं बना सकते थे, लेकिन वास्तविक दुनिया में रोबोट ने उसे बना दिया, तो रोबोट (और उसके प्रदाता) दोषी हैं।

गारंटी: यह पेपर एक "निर्दोष उपयोगकर्ता" को ऐसे व्यक्ति के रूप में परिभाषित करता है जो, यदि वे केवल विचारों (शब्दों नहीं) का उपयोग करके एक गाने की नकल करने की कोशिश भी करते हैं, तो भी असफल हो जाते। यदि वे निर्दोष हैं, तो AI प्रदाता को गारंटी देनी होगी कि वास्तविक दुनिया का रोबोट भी गलती से वह गाना नहीं उगल देगा।

3. गुप्त नुस्खा: "गोल्डन डेटा" और "प्राइवेसी"

हम एक ऐसा रोबोट कैसे बना सकते हैं जो इस क्लीन रूम नियम का सम्मान करे? यह शोध पत्र डिफरेंशियल प्राइवेसी (Differential Privacy - DP) की ओर संकेत करता है।

उपमा: कल्पना कीजिए कि रोबोट एक परीक्षा देने वाला छात्र है।
- सामान्य प्रशिक्षण: छात्र उत्तर कुंजी के हर एक उत्तर को रट लेता है। यदि आप पूछते हैं, "प्रश्न 5 का उत्तर क्या है?" तो वह इसे पूरी तरह से सुना देता है।
- डिफरेंशियल प्राइवेसी: छात्र को एक "धुंधले लेंस" के साथ सिखाया जाता है। वे अवधारणाओं और पैटर्न को सीखते हैं, लेकिन वे किसी भी एक विशिष्ट उत्तर को पूरी तरह से याद नहीं रख सकते। यदि आप किसी विशिष्ट प्रश्न के बारे में पूछते हैं, तो वे इसे सही भी बता सकते हैं, लेकिन वे इसे थोड़ा गलत भी बता सकते हैं या एक सामान्य उत्तर दे सकते हैं।
"गोल्डन डेटासेट" की आवश्यकता: इसे पूरी तरह से काम करने के लिए, प्रशिक्षण डेटा का "गोल्डन" होना आवश्यक है।
- उपमा: कल्पना कीजिए कि एक पुस्तकालय है। एक "गोल्डन लाइब्रेरी" वह है जहाँ हर किताब अद्वितीय है। आपके पास हैरी पॉटर की 100 प्रतियां नहीं हैं। आपके पास हैरी पॉटर की एक प्रति है, द हॉबिट की एक प्रति है, और शायद हैरी पॉटर का एक पैरोडी है, लेकिन कोई डुप्लिकेट नहीं है।
- यदि पुस्तकालय में एक ही पुस्तक की 100 प्रतियां हैं, तो रोबोट "धुंधले लेंस" के साथ भी उसे आसानी से याद कर सकता है। लेकिन यदि हर किताब अद्वितीय है, तो "धुंधला लेंस" (डिफरेंशियल प्राइवेसी) रोबोट को सटीक विवरण भूलने के लिए मजबूर करता है, जिससे कॉपीराइट सुरक्षित रहता है।

4. बिल कौन भरेगा? (क्षतिपूर्ति/Indemnification)

यह शोध पत्र एक व्यावहारिक नीति सुझाव के साथ समाप्त होता है। चूंकि हम 100% निश्चित नहीं हो सकते कि उपयोगकर्ता "निर्दोष" है या नहीं (हो सकता है कि उन्होंने अवचेतन रूप से गाने की नकल की हो), हमें कानूनी मामलों को संभालने का एक निष्पक्ष तरीका चाहिए।

प्रस्ताव:
- यदि AI प्रदाता ने "गोल्डन डेटा" और "डिफरेंशियल प्राइवेसी" का उपयोग किया है, और एक उपयोगकर्ता पर कॉपीराइट उल्लंघन के लिए मुकदमा चलाया जाता है, तो AI प्रदाता को कानूनी बिल का भुगतान करना चाहिए।
- क्यों? क्योंकि यदि डेटा स्वच्छ था और प्राइवेसी का गणित काम कर रहा था, तो उपयोगकर्ता को कॉपी करने में सक्षम नहीं होना चाहिए था। यदि उन्होंने किया, तो यह सिस्टम की गलती है, उपयोगकर्ता की नहीं।
- यह उपयोगकर्ताओं को मानसिक शांति देता है: "जब तक मैं सावधान हूँ, कंपनी मेरे साथ है।"

सारांश: मुख्य निष्कर्ष

यह शोध पत्र तर्क देता है कि हम केवल AI कंपनियों के "अच्छे" होने की उम्मीद नहीं कर सकते। हमें गणितीय गारंटी की आवश्यकता है।

पुराना वादा (NAF): "हमने सुरक्षित रहने की कोशिश की।" -> टूटा हुआ।
नया वादा (क्लीन रूम): "यदि आप एक ईमानदार उपयोगकर्ता हैं जिसने नकल करने की कोशिश नहीं की, और हमने 'गोल्डन डेटा' के साथ 'प्राइवेसी फॉग' का उपयोग किया है, तो हम गारंटी देते हैं कि आप गलती से चोरी नहीं करेंगे।"
समझौता: यदि गणित कहता है कि आप सुरक्षित हैं, लेकिन फिर भी आप पर मुकदमा चलाया जाता है, तो AI कंपनी भुगतान करेगी।

यह जोखिम को निर्दोष उपयोगकर्ता (जो यह नहीं जान सकता कि AI ने क्या याद किया है) से हटाकर कंपनी (जो डेटा और गणित को नियंत्रित करती है) की ओर स्थानांतरित करने के बारे में है। यह कॉपीराइट सुरक्षा को एक अनुमान लगाने वाले खेल से बदलकर एक सत्यापन योग्य सुरक्षा विशेषता में बदल देता है।

यहाँ अलोनी कोहेन के शोध पत्र "Blameless Users in a Clean Room: Defining Copyright Protection for Generative Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र जनरेटिव एआई मॉडल के लिए प्रमाणित कॉपीराइट सुरक्षा (provable copyright protection) की महत्वपूर्ण कानूनी और तकनीकी चुनौती को संबोधित करता है। विशेष रूप से, यह प्रश्न उठता है: किन परिस्थितियों में यह गणितीय रूप से गारंटी दी जा सकती है कि एक जनरेटिव मॉडल का आउटपुट उसके प्रशिक्षण डेटा (training data) के कॉपीराइट का उल्लंघन नहीं करेगा?

मुख्य चिंता "निर्दोष उपयोगकर्ताओं" (blameless users) की सुरक्षा करने की है—वे उपयोगकर्ता जो सद्भावना (good faith) में कार्य करते हैं, जानबूझकर उल्लंघन प्रेरित नहीं करते, और प्रशिक्षण सेट में विशिष्ट कॉपीराइटकृत कार्यों के बारे में जानकारी नहीं रखते। वर्तमान कानूनी ढांचे अक्सर कॉपीराइट उल्लंघन को एक 'स्ट्रिक्ट लायबिलिटी टॉर्ट' (strict liability tort) के रूप में देखते हैं, जिससे अनजाने में नकल करने वाले उपयोगकर्ताओं को दंडित किया जा सकता है। यह शोध पत्र एक गणितीय ढांचा स्थापित करने का प्रयास करता है जो यह परिभाषित करता है कि कब एक उपयोगकर्ता "निर्दोष" है और कब एक मॉडल प्रदाता यह गारंटी दे सकता है कि ऐसे उपयोगकर्ता उल्लंघन नहीं करेंगे।

2. मौजूदा दृष्टिकोणों की आलोचना (Near Access-Freeness)

यह शोध पत्र नियर एक्सेस-फ्रीनेस (Near Access-Freeness - NAF) का गहन विश्लेषण करता है, जो व्यास, काकाडे और बराक [VKB23] द्वारा कॉपीराइट सुरक्षा के लिए एक गणितीय परिभाषा के रूप में प्रस्तावित एक अवधारणा है। NAF यह सुनिश्चित करने का प्रयास करता है कि $c$ नामक कॉपीराइटेड डेटा पर प्रशिक्षित एक मॉडल, बिना $c$ के प्रशिक्षित एक "सुरक्षित" मॉडल के समान व्यवहार करे।

NAF की विफलताओं पर मुख्य निष्कर्ष:
लेखक सिद्ध करते हैं कि प्रमाणित कॉपीराइट सुरक्षा के लिए NAF अपर्याष्टि है क्योंकि इसमें दो प्रमुख कमजोरियां हैं:

विचारों के माध्यम से शाब्दिक प्रतिलिपि (Verbatim Copying via Ideas): NAF किसी कार्य के गैर-कॉपीराइट योग्य विचारों (ideas) से प्राप्त प्रॉम्प्ट्स के विरुद्ध सुरक्षा नहीं करता है। शोध पत्र एक प्रशिक्षण एल्गोरिदम ( $Train^*$ ) का निर्माण करता है जहाँ, यदि कोई उपयोगकर्ता मॉडल को प्रशिक्षण कार्य $c$ के विचारों (जैसे, एक कथानक सारांश) के साथ प्रॉम्प्ट देता है, तो मॉडल $c$ को शाब्दिक रूप से (verbatim) आउटपुट के रूप में देता है। यह NAF की परिभाषाओं को संतुष्ट करता है लेकिन स्पष्ट उल्लंघन है।
संरचनात्मक गारंटी का अभाव (Lack of Composition Guarantees): NAF के गारंटियाँ कई प्रश्नों (queries) के बीच संयोजित (compose) नहीं होते हैं। एक हमलावर पूरे प्रशिक्षण डेटासेट को शाब्दिक रूप से पुनर्गठित करने के लिए प्रॉम्प्ट्स का एक क्रम जारी कर सकता है, भले ही मॉडल किसी भी एकल प्रॉम्प्ट के लिए NAF को संतुष्ट करता हो।

शोध पत्र "टेन्टेड मॉडल्स" (Tainted Models) की अवधारणा पेश करता है: ऐसे मॉडल जो एक उपयोगकर्ता को केवल असुरक्षित विचारों का उपयोग करके प्रशिक्षण डेटा की शाब्दिक प्रतिलिपि बनाने की अनुमति देते हैं, भले ही उपयोगकर्ता को विशिष्ट डेटासेट का पूर्व ज्ञान न हो। NAF टेन्टेड मॉडल्स को बाहर करने में विफल रहता है।

3. कार्यप्रणाली और ढांचा (Methodology and Framework)

शोध पत्र एक नया ढांचा प्रस्तावित करता है जिसे "ब्लेमलेस कॉपीराइट प्रोटेक्शन" (Blameless Copyright Protection) कहा जाता है, जो मॉडल के पूर्ण व्यवहार के बजाय उपयोगकर्ता और मॉडल के बीच की अंतःक्रिया (interaction) पर ध्यान केंद्रित करता है।

A. "क्लीन रूम" (Clean Room) सादृश्य

"क्लीन रूम" डिजाइन (जो रिवर्स इंजीनियरिंग में स्वतंत्र निर्माण को सिद्ध करने के लिए उपयोग किया जाता है) के कानूनी सिद्धांतों से प्रेरणा लेते हुए, लेखक एक प्रतितथ्यात्मक (counterfactual) परिदृश्य को परिभाषित करते हैं:

वास्तविक दुनिया (Real World): एक उपयोगकर्ता पूरे डेटासेट $D$ पर प्रशिक्षित मॉडल के साथ अंतःक्रिया करता है।
क्लीन रूम (Clean Room): एक उपयोगकर्ता एक "स्क्रब्ड" (scrubbed) डेटासेट $scrub(D, c) $पर प्रशिक्षित मॉडल के साथ अंतःक्रिया करता है, जहाँ एक विशिष्ट कॉपीराइटकृत कार्य$ c$ से संबंधित सभी कार्यों को हटा दिया गया है।

B. निर्दोषता की परिभाषा (Defining Blamelessness)

एक उपयोगकर्ता को तब $\beta$ -blameless माना जाता है यदि क्लीन रूम सेटिंग में (जहाँ उनके पास $c$ तक पहुँच नहीं है), उनके द्वारा $c$ के समान कार्य उत्पन्न करने की संभावना अधिकतम $\beta$ है।

यह इस अंतर्ज्ञान को पकड़ता है कि एक कर्मठ उपयोगकर्ता, भले ही विचारों के संपर्क में हो, गलती से अभिव्यक्ति (expression) की नकल नहीं करेगा यदि मॉडल के पास उस अभिव्यक्ति तक पहुँच नहीं है।

C. $(\kappa, \beta)$ -क्लीन परिभाषा

मुख्य योगदान $(\kappa, \beta)$ -clean प्रशिक्षण एल्गोरिदम की परिभाषा है:

एक प्रशिक्षण एल्गोरिदम $(\kappa, \beta)$ -clean है यदि, किसी भी उपयोगकर्ता के लिए जो क्लीन रूम में $\beta$ -blameless है, वास्तविक दुनिया में एक समान कार्य उत्पन्न करने की संभावना अधिकतम $\kappa$ है।
महत्व: यह उपयोगकर्ताओं को अपने जोखिम सहने की क्षमता ( $\kappa$ ) चुनने और अपने व्यवहार को समायोजित करने (यह सुनिश्चित करने के लिए कि $\beta$ पर्याप्त छोटा है) की अनुमति देता है ताकि वे इस जोखिम सीमा के भीतर रह सकें। यह प्रभावी रूप से "टेन्टेड" मॉडल्स को बाहर करता है।

4. मुख्य परिणाम: समाधान के रूप में डिफरेंशियल प्राइवेसी (Differential Privacy)

शोध पत्र सिद्ध करता है कि डिफरेंशियल प्राइवेसी (Differential Privacy - DP) क्लीन-रूम कॉपीराइट सुरक्षा प्राप्त करने के लिए एक ठोस तंत्र प्रदान करती है, बशर्ते डेटासेट एक विशिष्ट शर्त को पूरा करता हो।

"गोल्डन डेटासेट" की स्थिति (The "Golden Dataset" Condition)

लेखक एक "गोल्डन डेटासेट" को इस प्रकार परिभाषित करते हैं जहाँ, किसी भी कॉपीराइटकृत कार्य $c$ के लिए, डेटासेट में अधिकतम एक आइटम $c$ से उत्पन्न होता है। यह एक एकल कॉपीराइटकृत कार्य को कई प्रशिक्षण उदाहरणों में "प्रवर्धन" (amplification) करने से रोकता है।

मुख्य प्रमेय (Main Theorem - Theorem 8.2)

यदि एक प्रशिक्षण एल्गोरिदम $(\epsilon, \delta)$ -डिफरेंशियल प्राइवेट है और डेटासेट गोल्डन है, तो वह $(\kappa, \beta)$ -clean है, जहाँ:
$\kappa \approx (e^\epsilon N_D + 1)\beta + N_D\delta$

$N_D$ : डेटासेट में कॉपीराइटकृत कार्यों की संख्या जो मॉडल तक पहुँच प्रदान करते हैं।
$\beta$ : क्लीन रूम में नकल करने की उपयोगकर्ता की संभावना।
$\epsilon, \delta$ : गोपनीयता पैरामीटर (privacy parameters)।

व्याख्या: DP यह सुनिश्चित करता है कि एक विशिष्ट कॉपीराइटकृत कार्य की उपस्थिति या अनुपस्थिति में मॉडल का आउटपुट वितरण महत्वपूर्ण रूप से नहीं बदलता है। यदि कार्य की अनुपस्थिति में (क्लीन रूम में) उपयोगकर्ता के नकल करने की संभावना कम है, तो उसकी उपस्थिति में भी (वास्तविक दुनिया में) नकल करने की संभावना कम ही रहेगी, बशर्ते डेटासेट गोल्डन हो।

5. योगदान का सारांश

NAF का खंडन: सिद्ध किया कि NAF मॉडल्स "टेन्टेड" हो सकते हैं और विचारों या संरचनात्मक हमलों (composition attacks) के माध्यम से शाब्दिक प्रतिलिपि की अनुमति दे सकते हैं, जिससे वे प्रमाणित सुरक्षा के लिए अपर्याप्त हो जाते हैं।
ब्लेमलेस ढांचा: उपयोगकर्ता की निर्दोषता के आधार पर कॉपीराइट सुरक्षा को परिभाषित करने के लिए एक कठोर ढांचा पेश किया, न कि पूर्ण मॉडल सुरक्षा के आधार पर।
क्लीन-रूम इंस्टेंशिएशन: $(\kappa, \beta)$ -clean सुरक्षा को परिभाषित किया, जो प्रतितथ्यात्मक क्लीन-रूम व्यवहार को वास्तविक दुनिया के जोखिम से जोड़ता है।
DP-कॉपीराइट लिंक: औपचारिक रूप से सिद्ध किया कि डिफरेंशियल प्राइवेसी गोल्डन डेटासेट्स के लिए क्लीन-रूम कॉपीराइट सुरक्षा प्रदान करती है, जो गोपनीयता और कॉपीराइट सिद्धांत के बीच के अंतर को पाटती है।
क्षतिपूर्ति नीति (Indemnification Policy): एक ऐसी नीति प्रस्तावित की जहाँ मॉडल प्रदाता उपयोगकर्ताओं को क्षतिपूर्ति (indemnify) प्रदान करते हैं यदि प्रशिक्षण डेटा "गोल्डन" स्थिति को पूरा करने में विफल रहता है, जिससे उत्तरदायित्व उपयोगकर्ता के इरादे के बजाय डेटा की गुणवत्ता पर आधारित हो जाता है।

6. महत्व और निहितार्थ

कानूनी-तकनीकी सेतु (Legal-Technical Bridge): यह शोध पत्र अस्पष्ट कानूनी तर्कों से आगे बढ़कर "प्रमाणित कॉपीराइट सुरक्षा" के लिए एक गणितीय रूप से कठोर परिभाषा प्रदान करता है, ठीक वैसे ही जैसे क्रिप्टोग्राफी में "प्रमाणित सुरक्षा" को परिभाषित किया जाता है।
व्यावहारिक व्यवहार्यता: हालांकि विशाल फाउंडेशन मॉडल्स के लिए "गोल्डन डेटासेट्स" बनाना वर्तमान में कठिन है, फिर भी यह शोध पत्र सुझाव देता है कि छोटे, विशिष्ट डेटासेट्स (जैसे फाइन-ट्यूनिंग) के लिए यह संभव है।
नीतिगत बदलाव: यह AI उपयोगकर्ताओं के लिए 'स्ट्रिक्ट लायबिलिटी' मॉडल को चुनौती देता है। "निर्दोषता" को परिभाषित करके, यह सुझाव देता है कि उत्तरदायित्व उन प्रदाताओं पर होना चाहिए जो गोल्डन डेटा या DP का उपयोग करने में विफल रहते हैं, न कि उन उपयोगकर्ताओं पर जो जिम्मेदारी से कार्य करते हैं।
भविष्य की दिशा: यह कार्य स्थापित करता है कि गोपनीयता-संरक्षण तकनीकें (DP) न केवल डेटा गोपनीयता के लिए बल्कि जनरेटिव AI में कॉपीराइट जोखिमों को कम करने के लिए भी आवश्यक उपकरण हैं, बशर्ते डेटा को उचित रूप से डीडुप्लिकेट (deduplicated) और संरचित किया गया हो।

निष्कर्षतः, यह शोध पत्र तर्क देता है कि जनरेटिव AI के लिए वास्तविक कॉपीराइट सुरक्षा के लिए डिफरेंशियल प्राइवेसी, गोल्डन डेटासेट्स और एक निर्दोष उपयोगकर्ता ढांचे के संयोजन की आवश्यकता है, जो दोषपूर्ण NAF दृष्टिकोण से हटकर सुरक्षा की एक अधिक मजबूत, प्रतितथ्यात्मक परिभाषा की ओर ले जाता है।